Optimisation of Road Traffic in Smart Cities using Machine Learning Techniques Optimisation du Trafic Routier dans les Villes Intelligentes en Utilisant les Techniques du Machine Learning

Urban traffic congestion is among the defining challenges of contemporary metropolises.It burdens economies, up to nearly 2% of GDP in many countries, degrades air qualityand erodes urban well-being. Smart cities promise an answer through massive data col-lection and fine-grained algorithmic analysis, yet the models involved must be accurate,transparent and deployable in resource-constrained settings all at once. Few are.This thesis builds its answer in four contributions, validated by five internationalpublications.A PRISMA 2020 systematic review first maps the field, narrowing9,695 initial records down to 115 retained studies. A second review then traces thetechnological trajectory from classical machine learning to large language models over2014–2024. The empirical core follows. We present the first study combining the TrafficCongestion Index (TCI) and the Air Quality Index (AQI) for traffic prediction inCasablanca, on a 365-day calibrated SUMO dataset; the multimodal LSTM architecturereaches 88.25% overall accuracy with an MAE of 2.0. We finally develop the firstexplainable TinyML framework for embedded traffic prediction: the model shrinks bya factor of 31 (2.4 MB down to 76 KB), runs inference in 2.1 ms on physical ESP32hardware microcontroller with R2 = 0.9884, while retaining global interpretabilitythrough native importance, permutation importance and partial dependence.Taken together, these contributions form a continuous chain of evidence, fromrigorous bibliographic synthesis to edge deployment, grounded in a situated case study,Casablanca, representative of French-speaking African metropolises. La congestion routière est l’un des défis les plus structurants des métropoles contem-poraines. Elle grève l’économie, jusqu’à près de 2 % du PIB dans de nombreux pays,dégrade la qualité de l’air et érode le bien-être urbain. Les villes intelligentes promettentd’y répondre par une collecte massive de données et une analyse algorithmique fine ;encore faut-il que les modèles soient à la fois performants, transparents et déployablesdans des contextes aux ressources limitées. C’est rarement le cas.Cette thèse construit une réponse en quatre contributions, validées par cinq publica-tions internationales. Une revue systématique PRISMA 2020 cartographie d’abord lechamp : 9 695 études initiales, 115 travaux retenus. L’analyse de la trajectoire technolo-gique, des techniques d’apprentissage automatique aux grands modèles de langage, endégage ensuite les lignes de force sur la période 2014–2024. Le cœur empirique vientaprès. Nous présentons la première étude combinant le Traffic Congestion Index et l’AirQuality Index pour la prédiction du trafic à Casablanca, sur 365 jours de simulationSUMO calibrée ; l’architecture LSTM multimodale atteint 88,25 % de précision globaleavec une MAE de 2,0. Nous développons enfin le premier cadre TinyML explicable pourla prédiction embarquée du trafic : le modèle est compressé d’un facteur 31 (de 2,4 Mo à76 Ko), infère en 2,1 ms sur ESP32 avec un R2 de 0,9884, et conserve une interprétabilitéglobale par importance native, importance par permutation et dépendance partielle.Ces contributions forment une chaîne de preuves continue, de la synthèse biblio-graphique au déploiement embarqué, ancrée dans un cas d’usage situé, Casablanca,représentatif des métropoles africaines francophones.